佐证

将表型组驱动的药物-靶标相互作用预测与基于患者电子健康记录的临床佐证相结合，以发现新药

动机：使用人类表型数据预测药物-靶标相互作用 (DTI) 有可能消除动物实验和人类临床结果之间的转化差距。人类表型驱动的 DTI 预测的一个挑战是整合和建模不同的药物和疾病表型关系。利用大量临床观察到的药物和疾病表型以及 7200 万患者的电子健康记录 (EHR)，我们通过无缝结合 DTI 预测和临床证实，开发了一种新颖的集成计算药物发现方法。结果：我们通过建模 1430 种药物、4251 种副作用、1059 种疾病和 17860 个基因之间的 855904 种表型和遗传关系，开发了一个基于网络的 DTI 预测系统 (TargetPredict)。我们对 TargetPredict 进行了从头交叉验证系统评估，并将其与最先进的表型驱动的 DTI 预测方法进行了比较。我们应用 TargetPredict 来确定阿尔茨海默病 (AD) 的新型重新定位候选药物，阿尔茨海默病在美国影响了 580 多万人。我们使用超过 7200 万患者的 EHR 评估了顶级重新定位候选药物的临床有效率。当使用 910 种药物进行评估时，从头交叉验证中的受试者工作特征 (ROC) 曲线下面积为 0.97。TargetPredict 的表现优于最先进的表型驱动的 DTI 预测系统，这通过精确度-召回率曲线衡量[通过平均精确度 (MAP) 衡量：0.28 比 0.23，P 值 < 0.0001]。基于 EHR 的病例对照研究发现，处方中排名靠前的重新定位药物与 AD 诊断风险降低显著相关。例如，我们发现，利拉鲁肽（一种 2 型糖尿病药物）的处方与 AD 诊断风险降低显著相关 [调整后的优势比 (AOR)：0.76；95% 置信区间 (CI) (0.70, 0.82)，P 值 < 0.0001]。总之，我们的综合方法无缝结合了计算 DTI 预测和基于 EHR 的大规模患者临床确证，在快速识别复杂疾病的新药物靶点和候选药物方面具有很高的潜力。可用性和实施​​：nlp.case.edu/public/data/TargetPredict。联系方式：rxx@case.edu